[发明专利]基于用户多兴趣特征的智能新闻推荐方法和系统

说明书

本发明公开了一种基于用户多兴趣特征的智能新闻推荐方法和系统，属于人工智能领域和自然语言处理领域。本发明要解决的技术问题为因现有的基于用户历史浏览记录建模的新闻推荐方法无法准确识别用户的多个方面的兴趣特征而导致的推荐结果不准确问题，采用的技术方案为：S1、构建新闻推荐模型的训练数据集；S2、构建基于用户多兴趣特征的新闻推荐模型：具体如下：S201、构建多视角级别的新闻编码器；S202、构建用户多兴趣特征网络；S203、构建点击率预测器；S3、训练基于用户多兴趣特征的新闻推荐模型。该系统包括训练数据集构建单元、基于用户多兴趣特征的新闻推荐系统模型构建单元和模型训练单元。

技术领域

本发明涉及人工智能和自然语言处理领域，具体涉及一种基于用户多兴趣特征的智能新闻推荐方法和系统。

背景技术

随着互联网技术的快速发展，越来越多的用户喜欢通过搜狐、新浪和今日头条等在线新闻平台阅读新闻。尽管这些平台尝试为用户提供个性化的新闻推荐服务，但它们仍然不可避免地受到推荐结果不准确和内容缺乏多样性等问题的困扰。这些问题会影响用户的阅读体验。解决上述问题的关键是对新闻文本和用户兴趣进行精准地建模，即准确地捕捉新闻文本特征和用户兴趣特征。

目前，现有的新闻推荐方法多数是面向单一的用户兴趣特征，而没有考虑用户潜在的多兴趣的特征信息。现有的新闻推荐方法通常依照用户历史浏览记录信息建立单一的用户兴趣表示，进而执行推荐任务。尽管这些方法在新闻推荐任务中一定程度地提升了推荐结果的准确度，但是它们都忽略了用户的多兴趣特征；仅在单一的用户兴趣上建模，往往无法准确地捕捉用户兴趣特征，这不可避免地会影响到新闻推荐结果的准确性和内容的多样性。

发明内容

本发明的技术任务是提供一种基于用户多兴趣特征的智能新闻推荐方法和系统，来解决新闻推荐系统中推荐结果不准确和内容缺乏多样性的问题。

本发明的技术任务是按以下方式实现的，基于用户多兴趣特征的智能新闻推荐方法，该方法通过构建并训练由多视角级别的新闻编码器、用户多兴趣特征网络、点击率预测器所构成的新闻推荐模型，将所有候选新闻依据点击率大小由高到低进行排序，将Top-K条新闻推荐给用户，具体如下：

构建多视角级别的新闻编码器，以新闻的标题、摘要、类别和子类别信息作为输入，分别从上述四类信息的视角学习新闻向量；

构建用户多兴趣特征网络，以多视角级别的新闻编码器生成的新闻向量为输入，使用多头自注意力机制、加性注意力机制和多通道的门控循环单元网络得到用户多兴趣特征向量；

构建点击率预测器，根据候选新闻向量和用户多兴趣特征向量，计算用户对每一条候选新闻的点击率；将所有候选新闻依据点击率大小由高到低进行排序，将Top-K条新闻推荐给用户。

作为优选，多视角级别的新闻编码器的构建过程如下：

从新闻标题的视角学习新闻特征表示：以新闻标题作为输入；嵌入层负责针对数据集中新闻标题的每一个单词构建单词映射表，并将表中每一个单词映射成唯一的数字标识，映射规则为：以数字1为起始，随后按照每个单词被录入单词映射表的顺序依次递增排序，从而形成单词映射转换表；使用Glove预训练语言模型，得到每个单词的词向量表示；将每一个新闻标题T＝[w₁，w₂，...，w_m]转换成词向量表示，记为E＝[e₁，e₂，...，e_m]，其中，m表示一个新闻标题的长度，e_m表示第m个单词的向量表示。

针对获得的新闻标题的词向量表示E＝[e₁，e₂，...，e_m]，使用多头自注意力机制进行特征提取，得到上下文特征向量[h₁，h₂，h₃，...，h_m]，公式如下：